<![CDATA[Penelitian ini bertujuan menganalisis kinerja algoritma K-Nearest Neighbor (KNN) pada sistem irigasi cerdas tanaman kapas dengan menggunakan parameter suhu dan kelembapan sebagai dasar klasifikasi status pompa. Data penelitian berasal dari dataset publik sistem irigasi pintar yang berisi 201 baris data mencakup variabel jenis tanaman, kelembapan, suhu, dan status pompa. Tahapan pra-pemrosesan dilakukan untuk meningkatkan kualitas data melalui normalisasi, pembagian data latih dan uji, serta penghapusan nilai hilang. Model KNN diterapkan dengan parameter n_neighbors = 5 dan metrik jarak Euclidean untuk mengklasifikasikan status pompa (aktif dan nonaktif). Hasil pengujian menunjukkan algoritma KNN mampu mencapai akurasi hingga 96% dengan nilai precision, recall, dan F1-score yang seimbang pada kedua kelas, sehingga membuktikan keandalan algoritma dalam mengenali pola berbasis parameter lingkungan. Visualisasi data kelembapan dan suhu memperlihatkan batasan yang jelas antara kondisi pompa aktif dan nonaktif, yang semakin menegaskan kemampuan KNN dalam memisahkan dua kelas tersebut. Penelitian ini memberikan kontribusi penting sebagai tahap awal pengembangan sistem irigasi cerdas berbasis pembelajaran mesin. Untuk penelitian selanjutnya, dapat dilakukan penambahan variabel lingkungan lain dan mengeksplorasi algoritma machine learning lain serta pengujian dengan dataset yang lebih besar dan beragam akan memberikan gambaran yang lebih komprehensif mengenai ketangguhan algoritma KNN pada skala luas dan berbagai kondisi iklim.]]>
Copyrights © 2025
